Previsão Animada de Salários de CEOs

UNIVERSIDADE FEDERAL DE MINAS GERAIS

Centro de Desenvolvimento e Planejamento Regional (CEDEPLAR)

ECONOMETRIA APLICADA: TRANSFORMAÇÕES NÃO LINEARES, CONSISTÊNCIA E TESTES DE HIPÓTESES

Wooldridge Capítulo 6

Ramon Gregório Silva

Timóteo - MG
Agosto de 2026

---

Introdução

Neste capítulo, Wooldridge aprofunda o estudo da econometria aplicada ao avançar sobre transformações fundamentais e modelagens não lineares que ampliam drasticamente a capacidade preditiva e interpretativa dos modelos de regressão múltipla.Ao longo da jornada, exploramos o uso de logaritmos para tratar elasticidades e semi-elasticidades, a elegante mecânica de mudanças de escala em variáveis y e x para facilitar a leitura dos coeficientes sem distorcer o ajuste, e a aplicação prática de interações entre variáveis e termos quadráticos para capturar retornos marginais decrescentes e efeitos condicionados. Também entram em cena ferramentas robustas como o estimador de smearing de Duan para retransformação de previsões logarítmicas.

No entanto, o detalhe sutil e definitivo que sustenta todo esse arcabouço teórico é a consistência dos estimadores. É preciso pensar no comportamento do desvio padrão: enquanto amostras pequenas costumam apresentar alta variabilidade e erros-padrão elevados — o que gera incerteza nas estimativas —, amostras grandes reduzem essa dispersão, permitindo que os estimadores convergiram para os verdadeiros parâmetros populacionais.

Nesse cenário, o verdadeiro “herói” que salva o analista na prática é a estatística t. Mais do que olhar isoladamente para a magnitude de um coeficiente (que pode parecer minúscula à primeira vista), o que define a validade de uma hipótese é a relação entre o valor do coeficiente e o seu desvio padrão. É exatamente essa proporção, formalizada pela fórmula da estatística t (t=β^j/EP(βj) ), que pondera o tamanho do efeito pela precisão amostral, determinando se uma relação é ou não estatisticamente significante. Compreender essa dinâmica é o que separa a simples manipulação algébrica de uma análise econométrica rigorosa e confiável.

Visualizador Interativo da Estatística t e Valor-p

Simulador de Teste de Hipóteses: Ajuste o valor da estatística t calculada e escolha o tipo de teste. O gráfico em formato de sino (Distribuição Normal Padrão) destacará a região crítica de 5% de significância e calculará o valor-p exato em tempo real.

Valor de t calculado: 2.00

Tipo de Teste (Nível de Significância = 5%): Bilateral (Bicaudal) Unilateral à Direita Unilateral à Esquerda

Diagnóstico do Teste: Movimente o controle deslizante para testar a significância estatística.

---

Exemplos do livro

Exemplo 6.2 - Wooldridge (Efeito Quadrático e Ponto Crítico)

Equação Estimada e Contexto:
Modelo relacionando o logaritmo do preço de imóveis (log(preço)) com o número de cômodos (comods) e seu termo quadrático (comods²):

log(preço) = ... - 0,545 comods + 0,062 comods² - 0,48 razestud + ...

n = 506, R² = 0,603. Os erros-padrão entre parênteses são se(-0,545) = 0,165 e se(0,062) = 0,013.

(i) Como interpretar o sinal negativo do termo linear e o sinal positivo do termo quadrático?
(ii) Como calcular o ponto crítico (mínimo) onde o efeito marginal muda de direção?
(iii) O termo quadrático é estatisticamente significativo ao nível usual?

Tópico (i) - Interpretação dos Sinais da Parábola

O coeficiente linear é -0,545 e o quadrático é +0,062. O que isso implica sobre o efeito de comods em log(preço) para valores baixos de cômodos?

A) Para valores baixos, o efeito marginal é negativo (o termo linear domina), indicando uma inesperada queda inicial no preço com o acréscimo de cômodos até atingir o ponto de inflexão. B) O preço cresce exponencialmente desde o primeiro cômodo construído, pois o R² é elevado (0,603). Verificar Tópico (i)

Tópico (ii) - Cálculo do Ponto Crítico

Utilizando a fórmula do vértice da parábola comods* = |β1| / (2 × β2), qual é o número crítico de cômodos onde a curva atinge o seu valor mínimo?

A) Aproximadamente 4.4 cômodos (calculado como 0,545 / [2 × 0,062]), ponto a partir do qual adicionar cômodos passa a valorizar o imóvel. B) Exatamente 10 cômodos, pois o somatório dos coeficientes arredonda para 0,12. Verificar Tópico (ii)

Tópico (iii) - Significância Estatística do Termo Quadrático

O coeficiente do termo quadrático é 0,062 com erro-padrão 0,013 (o que resulta em uma estatística t de aproximadamente 4.77). O termo quadrático é estatisticamente significativo?

A) Sim, com t ≈ 4.77 (bem acima do limiar crítico de 1,96), o termo quadrático é altamente significativo, justificando a manutenção da especificação não linear. B) Não, pois o valor t fica abaixo de 1 e não rejeita a nulidade. Verificar Tópico (iii)

(Previsão de Salários de Diretores Executivos)

Enunciado:
O modelo de interesse é

log(salário) = β₀ + β₁log(vendas) + β₂log(valmerc) + β₃permceo + u,

de forma que β₁ e β₂ são elasticidades e 100 · β₃ é uma semi-elasticidade. A equação estimada utilizando os dados contidos no arquivo CEOSAL2.RAW é

lsalário = 4,504 + 0,163 lvendas + 0,109 lvalmerc + 0,0117 permceo
            (0,257)   (0,039)        (0,050)        (0,0053)              (6.43)
n = 177, R² = 0,318,

onde, para maior clareza, lsalário representa o log de salário e, de forma semelhante, lvendas e lvalmerc representam o log de vendas e valmerc. A seguir, obtemos m̂ᵢ = exp(lsaláriôᵢ) de cada observação na amostra. A regressão de salário sobre m̂ (sem uma constante) produz α̂₀ ≈ 1,117.

Podemos usar esse valor de α̂₀ juntamente com (6.43) para prever salário de qualquer valor de vendas, valmerc e permceo. Encontremos a previsão de vendas = 5.000 (que significa 5 bilhões de dólares, já que vendas está em milhões de dólares), valmerc = 10.000 (10 bilhões de dólares), e permceo = 10.

Anterior Play ► Próximo Reiniciar

EXEMPLO 6.8: Previsão de Salários de Diretores Executivos

Enunciado do Exemplo 6.8:
Após o passo (iii) no procedimento precedente, obtemos os valores estimados saláriô = α̂₀m̂ᵢ. A correlação simples entre salárioᵢ e saláriô na amostra é 0,493; o quadrado desse valor está por volta de 0,243. Esse é o nosso indicador de quanto da variação de salário é explicada pelo modelo log; não se trata do R-quadrado de (6.43), que é 0,318.

Suponha que estimemos um modelo com todas as variáveis em nível:

salário = β₀ + β₁vendas + β₂valmerc + β₃permceo + u

O R-quadrado obtido estimando esse modelo, usando as mesmas 177 observações, é 0,201. Assim, o modelo log explica mais da variação em salário, e assim é o nosso preferido com base no grau de ajuste. O modelo log também é o escolhido porque parece ser mais realista e seus parâmetros são mais fáceis de ser interpretados.

Anterior Play ► Próximo Reiniciar

Teste Avançado de Econometria - Inferência, Formas Funcionais e Otimização

Instruções: Este teste abrangente cobre a lógica da inferência estatística (razão entre coeficiente e erro-padrão, estatística t, valor-p e Erro Tipo I), propriedades do Gauss-Markov, consistência, transformações logarítmicas, interações, pontos de máximo em funções quadráticas e a flexibilidade do MQO. Responda às 10 questões para obter sua nota e o diagnóstico detalhado.

Questão 1: A Lógica de Dividir o Coeficiente pelo Erro-Padrão (Estatística t)

Por que, no teste de hipóteses do MQO, dividimos o valor estimado do coeficiente pelo seu respectivo erro-padrão para obter a estatística t?

Para eliminar o intercepto e zerar a soma dos quadrados dos resíduos (SQR). Para mensurar a distância entre a estimativa e o valor nulo em unidades de desvio-padrão, ponderando a incerteza amostral inerente àquela estimativa. Para garantir que o R² do modelo seja transformado em uma distribuição normal padrão.

Questão 2: O Conceito e a Interpretação do Valor-p (p-value)

O que representa exatamente o valor-p (p-value) associado à estatística t de um coeficiente?

A probabilidade exata de que a hipótese nula seja verdadeira na população. A probabilidade de obter uma estatística de teste tão ou mais extrema do que a observada, assumindo que a hipótese nula seja verdadeira (indicando o risco de Erro Tipo I ao rejeitá-la). O poder estatístico complementar para aceitar a hipótese alternativa sem viés.

Questão 3: Teorema de Gauss-Markov e Eficiência

Sob os pressupostos clássicos do modelo linear, o Teorema de Gauss-Markov garante que o estimador de MQO é:

O Melhor Estimador Linear Não-Viesado (MELNV / BLUE). Um estimador não-linear que possui variância zero em qualquer tamanho de amostra. Viesado em amostras pequenas, mas perfeitamente consistente assintoticamente.

Questão 4: Consistência Estatística

O que define a consistência de um estimador econométrico à medida que o tamanho da amostra (n) tende ao infinito?

A convergência em probabilidade da distribuição do estimador para o verdadeiro valor populacional do parâmetro. A eliminação completa de qualquer erro de especificação na escolha das variáveis explicativas. A estabilidade da variância dos resíduos em amostras temporais consecutivas.

Questão 5: Quando e por que incluir Logaritmos nas variáveis?

Qual é a principal justificativa teórica para aplicar transformações logarítmicas em variáveis econômicas (como salários e PIB)?

Converter o modelo de regressão em um sistema puramente determinístico sem erros. Reduzir a dispersão de dados com alta assimetria e permitir a interpretação direta de coeficientes como elasticidades ou variações percentuais.

Questão 6: Coeficientes de Variáveis Transformadas (Polinômios e Interações)

Em um modelo que inclui uma variável multiplicada por outra (x₁ · x₂) ou um termo quadrático (x²), como se interpreta o coeficiente associado a essa transformação?

Ele mede a taxa com que o efeito marginal da variável original se altera em função de outra variável ou de seu próprio nível. Ele substitui completamente o intercepto da regressão, forçando a reta a passar pela origem. Ele serve apenas para corrigir problemas de heterocedasticidade nos resíduos.

Questão 7: Ponto de Máximo de Função Quadrática (Concavidade para Baixo)

Dada a função estimada y = β₀ + β₁x + β₂x², com β₁ > 0 e β₂ < 0 (parábola com concavidade para baixo), como se calcula analiticamente o ponto de máximo de y em relação a x?

Derivando a função em relação a x, igualando a zero, obtendo x^* = -β₁ / (2β₂). Calculando a raiz cúbica da razão entre os desvios-padrão de y e x. Dividindo diretamente o intercepto β₀ pelo coeficiente linear β₁.

Questão 8: O MQO pode vencer a barreira da linearidade de primeiro grau?

O uso de termos como x², ln(x) e interações em um modelo estimado por MQO indica que:

A linearidade nos parâmetros é mantida, permitindo que o MQO estime relações não-lineares nas variáveis e capture efeitos complexos da teoria econômica. O método de Mínimos Quadrados Ordinários deixa de ser aplicável, exigindo algoritmos de otimização estritamente não-lineares.

Questão 9: Quando é necessário ir além do modelo linear simples?

Em que cenário prático a teoria econômica exige abandonar a restrição de um modelo estritamente linear em prol de formas funcionais flexíveis?

Quando há evidências ou hipóteses de retornos marginais decrescentes (ex: lei dos rendimentos decrescentes) ou elasticidades constantes. Apenas quando desejamos manipular o valor numérico do R² para fins puramente estéticos.

Questão 10: Multicolinearidade Induzida por Polinômios

Por que a inclusão simultânea de x e x² gera alta correlação (colinearidade), mas não invalida o estimador de MQO?

Porque a multicolinearidade afeta a precisão amostral (aumentando os erros-padrão individuais), mas não gera viés nem destrói a consistência dos estimadores. Porque o termo quadrático anula de forma automática qualquer variabilidade presente no termo de erro.

Finalizar Teste Completo

Tá na Prova

Exercício 6.1 - Wooldridge (Termo Quadrático e Significância)

Equação Estimada e Contexto:
Modelo relacionando o logaritmo do salário de CEOs (log(salário)) com o logaritmo das vendas da empresa (log(vendas)), o tempo de atuação na empresa (rma) e seu termo quadrático (rma²):

log(salário) = 4,322 + 0,276 log(vendas) + 0,0215 rma - 0,00008 rma²

n = 209, R² = 0,282. Os erros-padrão entre parênteses são se(0,0215) = 0,129 e se(-0,00008) = 0,00026.

Pergunta: Esta equação permite que rma tenha um efeito decrescente sobre log(salário). Essa generalidade é necessária? Justifique.

Análise Estatística da Generalidade

O coeficiente do termo quadrático (rma²) é -0,00008 com um erro-padrão de 0,00026. Com base nisso, o termo quadrático é estatisticamente necessário?

A) Não. A estatística t calculada é de aproximadamente -0.31 (|t| < 1,96), indicando que o coeficiente não é estatisticamente diferente de zero ao nível usual de 5%. Portanto, a generalidade do termo quadrático não é necessária. B) Sim, pois o valor do R² de 0,282 prova que todas as variáveis incluídas de forma não linear são individualmente essenciais. Verificar Resposta

Questão 6.2 - Demonstração Completa da CPO e do Cancelamento

Objetivo: Detalhar passo a passo a substituição dos estimadores redimensionados (β*) na nova Condição de Primeira Ordem, evidenciando o cancelamento do fator genérico e a fatoração final que reconstrói a CPO original.

Passo a Passo Detalhado da Demonstração:

1. A Nova Condição de Primeira Ordem (CPO) Derivada:
Minimizando a SQR com as variáveis redimensionadas em relação ao parâmetro β*_j, obtemos a nova equação normal para o regressor j:
• ∑ (c_jx_ij) · [ c₀y_i - β*₀ - ∑ β*_m(c_mx_im) ] = 0

2. Substituição das Relações Propostas (β* = razão de escalas × β̂):
Substituímos o intercepto por β*₀ = c₀β̂₀ e as inclinações por β*_m = (c₀ / c_m)β̂_m dentro da somatória:
• ∑ (c_jx_ij) · [ c₀y_i - c₀β̂₀ - ∑ { (c₀ / c_m)β̂_m } · (c_mx_im) ] = 0

3. O Cancelamento Cirúrgico do Fator Genérico:
Dentro do somatório, olhe atentamente para o termo da inclinação: o c_m do denominador da relação proposta choca-se e **cancela-se perfeitamente** com o c_m do regressor:
• { (c₀ / c_m)β̂_m } · (c_mx_im) ⇒ O c_m some, restando apenas c₀β̂_mx_im.
Substituindo isso de volta na expressão, ela se transforma em:
• ∑ (c_jx_ij) · [ c₀y_i - c₀β̂₀ - ∑ c₀β̂_mx_im ] = 0

4. Evidência Global e Recuperação da CPO Original:
Agora, note que o fator c₀ está presente em **todos** os termos dentro dos colchetes. Podemos colocá-lo em evidência para fora da somatória, juntamente com o fator externo c_j:
• c₀ c_j · ∑ x_ij (y_i - β̂₀ - ∑ β̂_mx_im) = 0
Como as constantes de escala c₀ e c_j são diferentes de zero, a única forma dessa equação ser verdadeira é o somatório interno ser igual a zero. Isso prova que a nova CPO reconduz exatamente ao sistema original de MQO!

Questão 6.2 - Teste seu Conhecimento:

O que viabiliza a etapa final de colocar o fator c₀ em evidência para fora do somatório, resultando em c₀ c_j · ∑ x_ij (y_i - β̂₀ - ∑ β̂_mx_im) = 0?

A integração direta da matriz de covariâncias com o vetor de resíduos. O cancelamento prévio do termo genérico c_m, que deixa o fator c₀ comum a todos os termos internos dos colchetes. A suposição de que a variância do erro se torna constante após a padronização. Verificar Resposta

Questão 6.3 - Quiz Completo (Atualizado com Detalhes de Escala)

Equação Estimada Original:
pdiintens = 2,613 + 0,00030 vendas - 0,000000070 vendas^2
Desvio-padrão: (0,429)    (0,00014)    (0,000000037)
n = 32,   R² = 0,1484

Item (i) - Efeito Marginal Negativo

Em que ponto o efeito marginal de vendas sobre pdiintens se torna negativo?

Aprox. 1.000,00 Aprox. 2.142,86 (milhões de dólares, ou cerca de 2,14 bilhões) Aprox. 4.285,71 Verificar Item (i)

Item (ii) - Significância do Termo Quadrático

Considerando a estatística t calculada (t ≈ -1,89 com df = 29), qual a conclusão sobre manter o termo quadrático a 5% de significância?

Ele é sempre significativo, independentemente do tipo de teste. Num teste bilateral padrão a 5% não rejeitamos a nulidade (t_crit ≈ 2,045), mas num teste unilateral (H1: β < 0) ele é estatisticamente significativo a 5% (t_crit ≈ 1,699). Ele nunca é significativo nem a 10%. Verificar Item (ii)

Item (iii) - Redefinição com vendasbil e Efeito nos Erros-Padrão

Ao redefinir vendasbil = vendas / 1.000, o que acontece com o R², com os coeficientes e com os erros-padrão?

O R² muda proporcionalmente e os erros-padrão ficam divididos por 1.000. O R² permanece inalterado (0,1484), enquanto os coeficientes e os erros-padrão são multiplicados pelos respectivos fatores de escala (1.000 e 1.000.000), mantendo a estatística t idêntica. Os erros-padrão não sofrem nenhuma alteração de valor. Verificar Item (iii)

Item (iv) - Preferência de Equação

Com o propósito de descrever os resultados, qual equação é preferida?

A original, por manter os valores exatos sem conversões. A com vendasbil, pois evita excessos de zeros decimais e facilita a leitura dos coeficientes e erros-padrão. Verificar Item (iv)

Questão 6.4 - Wooldridge (Base WAGE2.RAW)

Enunciado Geral e Equação Estimada:
Modelo de interação entre a educação do indivíduo e a educação dos pais (edupais), avaliando o impacto sobre o logaritmo do salário (log(wage)):

log(wage) = β₀ + β₁ educ + β₂ (educ × edupais) + β₃ edupais + ... [demais controles]

n = 722, R² = 0,169 (equação inicial sem edupais isolada) e R² = 0,174 (com edupais isolada incluída).

(i) Qual o sinal esperado para o coeficiente de interação (β₂) e por quê?
(ii) Qual a diferença estimada no retorno de um ano de educação entre pais com ensino superior e ensino médio?
(iii) O retorno da educação depende positivamente da educação dos pais ao nível de 5% de significância?

Tópico (i) - Derivada e Sinal Esperado

O retorno de mais um ano de educação é dado por d(log(salario)) / d(educ) = β1 + β2 × edupais. Qual sinal você espera para o coeficiente de interação (β₂) e por quê?

A) Negativo, pois pais mais instruídos geram concorrência excessiva no mercado de trabalho para os filhos. B) Positivo, pois esperamos que o retorno da educação seja maior para indivíduos cujos pais possuem maior nível educacional (complementaridade de capital humano e ambiente familiar). Verificar Tópico (i)

Tópico (ii) - Interpretação Prática da Interação

Dada a equação estimada (com β₂ = 0,00078), qual a diferença no retorno de um ano de educação entre pais com ensino superior (edupais = 32) e pais com ensino médio (edupais = 24)?

A) A diferença é de 0,00624 (ou cerca de 0,62%), calculada multiplicando a variação de edupais (8 anos) pelo coeficiente de interação (0,00078). B) A diferença exata é de 8%, pois cada ano de estudo dos pais acrescenta 1% direto no salário do filho. Verificar Tópico (ii)

Tópico (iii) - Teste de Hipótese com edupais Isolada

Com a inclusão de edupais isolada, obteve-se o coeficiente de interação 0,0016 com erro padrão 0,0012 (t = 1.33). O retorno da educação depende positivamente da educação dos pais ao nível usual de significância (5%)?

A) Sim, pois o valor t é superior a 2, rejeitando a hipótese nula com folga. B) Não ao nível de 5% (já que t = 1.33 e o p-valor bicaudal é 0.1828, logo o erro padrão é relativamente alto frente ao coeficiente), embora haja indício positivo. Verificar Tópico (iii)

Quiz Interativo - Questões 6.5 e 6.6 do Wooldridge

Contexto das Questões:
• Questão 6.5: Avalia a inclusão de variáveis explicativas com base na cronologia temporal e causalidade (aprovação em ciências no 11º ano explicaria matemática no 10º ano?).
• Questão 6.6: Envolve teste de restrições de exclusão múltiplas (significância conjunta via estatística F) para termos não-lineares/interações.

Questão 6.5 - Ordem Temporal e Variáveis Explicativas

No Exemplo 4.2, onde mate10 (aprovação em matemática no 10º ano) é a variável dependente, faz sentido incluir cien11 (aprovação em ciências no 11º ano) como variável explicativa?

Sim, pois quanto mais variáveis explicativas incluirmos, maior será o R-quadrado e melhor o modelo. Não, pois viola a causalidade temporal: o desempenho no 11º ano não pode causar o desempenho passado no 10º ano (embora possam estar correlacionados por habilidade geral do aluno). Verificar Questão 6.5

Questão 6.6 - Teste de Restrições Múltiplas (Significância Conjunta)

Quando taxafreq² e tac · taxafreq são adicionadas, o R² vai para 0,232. Para decidir se esses termos adicionais devem ser incluídos, qual procedimento estatístico deve ser obrigatoriamente realizado?

Olhar apenas se o R² aumentou, pois qualquer acréscimo justifica a inclusão de novas variáveis. Realizar um teste F de significância conjunta para verificar se os coeficientes desses múltiplos termos são estatisticamente diferentes de zero em conjunto. Verificar Questão 6.6

Resolução e Análise da Questão 6.7

Modelos estimados (n = 1.534):
1. Linear: taxap_chapeu = 80,29 + 5,44 taxcomp + 0,269 idade - 0,00013 totemp   [R² = 0,100, R̄² = 0,098]
2. Logarítmico: taxap_chapeu = 97,32 + 5,02 taxcomp + 0,314 idade - 2,66 log(totemp)   [R² = 0,144, R̄² = 0,142]
3. Quadrático: taxap_chapeu = 80,62 + 5,34 taxcomp + 0,290 idade - 0,00043 totemp + 0,000000039 totemp²   [R² = 0,108, R̄² = 0,106]

Qual desses três modelos você prefere? Por quê?

Prefere-se o segundo modelo (com log(totemp)). Os motivos principais são:
1. Maior poder explicativo: Ele apresenta o maior R-quadrado (R² = 0,144) e o maior R-quadrado ajustado (R̄² = 0,142) entre os três modelos.
2. Significância estatística: O coeficiente do log(totemp) (-2,66) possui um erro-padrão de 0,28, resultando em uma estatística t de aproximadamente -9,5, o que demonstra altíssima significância estatística.
3. Forma funcional adequada: O uso do logaritmo captura de forma muito mais eficiente a relação decrescente (não-linear) do tamanho total de empregados (totemp) sobre a taxa de participação no plano de benefícios (taxap).

Teste seu Conhecimento - Questão 6.7:

Por que podemos comparar diretamente os R-quadrados (R²) destas três equações para escolher o melhor modelo?

Porque todas as três equações utilizam exatamente o mesmo número de variáveis explicativas. Porque a variável dependente (taxap) mantém-se na mesma unidade e forma original em todos os modelos, permitindo a comparação direta dos valores de R² e R̄². Porque o modelo quadrático possui um R² superior ao logarítmico. Verificar Resposta

Tá no concurso

FOLHETO DE QUESTÕES: PRIMEIRA FASE (WOOLDRIDGE - CAPÍTULO 6)

Homenagem Especial: Comissão Permanente de Concursos (COPEVE/UFMG)

Instruções: Simulado analítico contendo 20 questões de múltipla escolha. Marque suas respostas e clique no botão ao final para calcular sua nota.

1. (COPEVE/UFMG) Em um modelo hedônico de preços de imóveis com interação: preço = b0 + b1(arqquad) + b3(arqquad * qtdorm) + u. O coeficiente b1 mede:

A) O efeito de um quarto adicional para um imóvel cuja área construída seja igual a zero. B) A elasticidade-renda direta da propriedade. C) O viés total de omissão de variáveis. D) A variância incondicional do erro.

2. (CESPE/CEBRASPE) Ao reparametrizar um modelo com termo de interação subtraindo as médias amostrais das variáveis explicativas, o principal ganho analítico é:

A) Anular a variância dos estimadores de MQO. B) Fornecer diretamente os erros-padrão dos efeitos parciais avaliados nos valores médios das variáveis. C) Garantir que o R2 seja estritamente igual a um. D) Eliminar a necessidade de testes de hipóteses conjuntas.

3. (FGV) A inclusão de um termo de produto cruzado (interação) entre duas variáveis explicativas contínuas em MQO implica que:

A) O modelo passa a ser não linear nos parâmetros e inviável por MQO. B) As inclinações marginais de ambas as variáveis tornam-se constantes e independentes. C) O efeito marginal de uma variável passa a variar conforme o nível da outra variável interagida. D) Ocorre necessariamente multicolinearidade perfeita que impede a inversão da matriz X'X.

4. (COPEVE/UFMG) Sobre o comportamento do Coeficiente de Determinação (R2) tradicional ao adicionar uma nova variável explicativa:

A) O R2 diminui sempre que a variável for irrelevante. B) O R2 torna-se negativo em amostras pequenas. C) O R2 permanece rigorosamente constante. D) O R2 nunca diminui, podendo no máximo permanecer inalterado se o coeficiente associado for zero.

5. (Cesgranrio) O R2 ajustado difere do R2 tradicional porque:

A) Aplica uma penalização baseada no número de graus de liberdade e de regressores estimados. B) É calculado exclusivamente com base nos desvios absolutos medianos. C) Assume valores superiores a 1 em modelos com muitas variáveis. D) Corrige automaticamente problemas de heteroscedasticidade primária.

6. (CESPE/CEBRASPE) Quando um pesquisador adiciona uma nova variável a uma regressão e o R2 ajustado aumenta, conclui-se que:

A) A estatística t do novo regressor é inferior a 1 em valor absoluto. B) A estatística t associada ao novo coeficiente em valor absoluto é estritamente maior que 1. C) O modelo sofre de sobreajuste severo (overfitting). D) O erro padrão da regressão aumentou.

7. (FGV) A comparação de R2 entre modelos que utilizam formas funcionais diferentes para a variável dependente (ex: y versus log(y)):

A) É direta e imediata, pois o espaço amostral de y permanece inalterado. B) Pode ser feita utilizando os valores brutos de R2 sem ajustes. C) É inválida sem transformar previamente os valores para a mesma escala métrica da variável dependente original. D) Exige obrigatoriamente o uso de testes de raiz unitária.

8. (COPEVE/UFMG) Segundo Wooldridge, a inclusão de uma variável de controle que seja ortogonal à variável explicativa de interesse principal tem como consequência estatística:

A) Gerar viés de estimação por introduzir endogeneidade. B) Aumentar os erros-padrão dos coeficientes de interesse. C) Invalidar a propriedade de consistência do MQO. D) Reduzir a variância do termo de erro e a variância amostral do estimador de interesse.

9. (Cesgranrio) O problema do controle excessivo (overcontrolling) ocorre tipicamente quando o pesquisador controla por uma variável que é:

A) Um fator intermediário (mecanismo causal) na transmissão do efeito entre a causa e o resultado. B) Totalmente não correlacionada com o erro estocástico. C) Uma característica fixa de indivíduo em dados cross-section pura. D) Uma dummy de controle regional exógena.

10. (CESPE/CEBRASPE) Na análise de resíduos de uma regressão linear múltipla, o resíduo estimado u_hat_i representa:

A) O erro aleatório populacional não observado. B) A diferença entre o valor observado da variável dependente e o valor ajustado pelo modelo (y_i - y_hat_i). C) A média amostral das variáveis explicativas ponderada pelos coeficientes. D) O viés de especificação decorrente de formas funcionais lineares.

11. (FGV) Em modelos que utilizam a transformação logarítmica na variável dependente log(y), a previsão ingênua na escala original através da exponencial pura exp(log_y_hat) tende a:

A) Superestimar sistematicamente os valores médios devido à Jensen's inequality. B) Ser perfeitamente não-viesada sem necessidade de correções adicionais. C) Subestimar a média de y na escala original, exigindo correções como o fator de Duan ou ajuste de variância residual. D) Anular a variabilidade dos dados originais.

12. (COPEVE/UFMG) O uso de formas funcionais log-linear (logaritmo na variável dependente e nível na independente) é especialmente adequado quando:

A) A relação subjacente é estritamente aditiva e constante em unidades absolutas. B) A variável dependente possui valores negativos extensos na amostra. C) Deseja-se medir elasticidades constantes entre as variáveis. D) O efeito de interesse reflete variações percentuais constantes na variável dependente por unidade de mudança na independente.

13. (Cesgranrio) Identifique a alternativa correta a respeito da interpretação de coeficientes em modelos log-log:

A) O coeficiente associado mede diretamente a elasticidade da variável dependente em relação à independente. B) O coeficiente representa uma variação absoluta sem relação percentual. C) A interpretação exige multiplicação por cem do valor exponencial. D) O modelo torna-se linear nas variáveis originais.

14. (CESPE/CEBRASPE) Em um modelo com termos polinomiais (ex: quadratura de x), para encontrar o ponto de máximo ou mínimo da função estimada, o analista deve:

A) Calcular a média geométrica dos coeficientes estimados. B) Derivar a função estimada em relação a x, igualar a zero e isolar o valor crítico (-b1 / 2b2). C) Utilizar testes de raiz unitária Dickey-Fuller augmentado. D) Desprezar o termo quadrático se o R2 for menor que 0,50.

15. (FGV) O princípio da parcimônia na especificação econométrica de modelos linear múltiplos orienta que:

A) Devem-se incluir todas as variáveis disponíveis no banco de dados para maximizar o R2. B) O modelo deve conter apenas uma única variável explicativa independente. C) Deve-se equilibrar a inclusão de controles necessários com a preservação de graus de liberdade, priorizando modelos ajustados parcimoniosos. D) O uso de termos de interação é estritamente proibido.

16. (COPEVE/UFMG) Na análise de predição econométrica, a variância do erro de previsão para uma nova observação individual é composta por:

A) Apenas a variância amostral dos estimadores dos parâmetros. B) Exclusivamente a variância populacional do erro estocástico u. C) A soma das covariâncias cruzadas entre regressores. D) A soma da variância do erro idiosincrático com a variância decorrente da estimação dos parâmetros de MQO.

17. (Cesgranrio) Um resíduo altamente negativo em uma observação específica de um modelo ajustado indica que:

A) O valor real observado da variável dependente é substancialmente inferior ao valor previsto pelo modelo. B) O estimador de MQO perdeu a propriedade de consistência assintótica. C) O modelo apresenta homocedasticidade perfeita. D) A multicolinearidade atingiu nível crítico.

18. (CESPE/CEBRASPE) Em relação aos testes de formato funcional discutidos no Capítulo 6 (como o teste RESET de Ramsey):

A) Destinam-se exclusivamente a detectar autocorrelação serial de ordem superior. B) Avaliam a omissão de não-linearidades (como potências preditas elevadas) na especificação do modelo. C) Substituem completamente a necessidade de análise de resíduos gráficos. D) Exigem distribuição normal bivariada dos erros de predição.

19. (FGV) Quando transformamos uma variável explicativa utilizando seu logaritmo natural, a interpretação do coeficiente associado (quando a dependente está em nível) indica que:

A) Uma variação absoluta de uma unidade em x gera variação percentual em y. B) O modelo torna-se imune a valores discrepantes (outliers). C) Uma variação percentual de 1% em x gera uma mudança absoluta de aproximadamente (b / 100 nas unidades de y). D) A elasticidade passa a ser constante e superior a 1.

20. (COPEVE/UFMG) O principal critério estatístico utilizado para comparar o poder explicativo entre modelos aninhados contendo o mesmo número de observações é:

A) A maximização absoluta da soma dos quadrados totais (SQT). B) A análise isolada do intercepto populacional estimado. C) O uso da estatística F restrita sem graus de liberdade. D) O teste de restrições exclusionárias via estatística F ou a maximização do R2 ajustado.

Finalizar e Calcular Minha Nota

Gabarito Oficial e Guia de Direcionamento de Estudos (Capítulo 6 - Wooldridge)

Confira abaixo as alternativas corretas e use a segmentação por tópicos para focar sua revisão nos pontos onde errou questões:

---

Gabarito Completo:

1: A	2: B	3: C	4: D	5: A
6: B	7: C	8: D	9: A	10: B
11: C	12: D	13: A	14: B	15: C
16: D	17: A	18: B	19: C	20: D

O que você precisa estudar mais no Capítulo 6 do Wooldridge conforme seus erros:

• Se errou as questões 1, 2, 3 e 14 (Termos Polinomiais e de Interação): Revise a seção sobre elasticidades e efeitos marginais parciais quando há interação entre variáveis contínuas, além de reparametrizações para obtenção direta de erros-padrão nas médias e pontos de máximo/mínimo.
• Se errou as questões 4, 5, 6 e 7 (R² e R² Ajustado): Releia a discussão conceitual sobre penalização de graus de liberdade, por que o R² tradicional nunca diminui com a inclusão de regressores e as limitações na comparação de R² entre modelos com transformações distintas na variável dependente.
• Se errou as questões 8, 9 e 15 (Controles, Ortogonalidade e Overcontrolling): Volte ao tópico de inclusão de variáveis de controle, efeitos de ortogonalidade na variância do estimador de interesse e o perigo analítico do controle excessivo (overcontrolling) sobre mecanismos causais intermediários.
• Se errou as questões 11, 12, 13 e 19 (Formas Funcionais e Logaritmos): Reforce a leitura das tabelas de interpretação de modelos nível-log, log-nível e log-log, bem como o cuidado com vieses de predição em escalas logarítmicas (desigualdade de Jensen).
• Se errou as questões 10, 16, 17, 18 e 20 (Resíduos, Predição, Teste RESET e Modelos Aninhados): Estude as propriedades dos resíduos em MQO, a decomposição da variância do erro de predição individual, a lógica do teste RESET de Ramsey para formato funcional e os critérios de seleção para modelos aninhados.